BAB II

TINJAUAN PUSTAKA

2.1. Getaran

Getaran adalah osilasi periodik dari suatu sistem mekanis. Contoh

sederhana fenomena getaran dapat dilihat pada sebuah pegas yang salah satu

ujungnya dijepit dan ujung lainya diberi massa M seperti gambar 2.1. berikut (Aji,

Kunto., 2007)

Gambar 2.1. Getaran pada sistem pegas-massa sederhana (Aji, Kunto., 2007)

Mula–mula sistem dalam keadaan setimbang (gambar 2.1.a). Jika massa

diberi gaya F maka massa akan turun sampai batas tertentu (gambar 2.1.b).

Perpindahan maksimum posisi massa bergantung pada besarnya gaya F, massa dan

kekuatan tarik pegas melawan gaya F tersebut. Jika gaya sebesar F tidak dikenakan

lagi pada massa, maka massa akan ditarik keatas oleh pegas karena tenaga potensial

yang tersimpan dalam pegas (gambar 2.1.c). Massa akan kembali ke posisi

6
kesetimbangan, selanjutnya bergerak keatas sampai batas tertentu. Perpindahan

maksimum ke atas dipengaruhi oleh kekuatan tarik pegas dan massa benda. Proses

tersebut akan berulang sampai tidak ada pengaruh gaya luar pada sistem.

Pergerakan massa naik turun ini disebut osilasi mekanis. Berkaitan dengan mesin,

getaran mesin (machinery vibration) didefinisikan sebagai gerakan bolak-balik dari

mesin atau elemen mesin dari posisi setimbang (diam).

2.1.1. karakteristik Getaran

Kondisi mesin dan masalah mekanik dapat diketahui dengan mempelajari

karateristik getarannya. Pada suatu sistem pegas-massa, karateristik getaran dapat

dipelajari dengan memplot pergerakan massa terhadap waktu.

Gambar 2.2. Karakteristik getaran (Aji, Kunto., 2007)

Gerak massa dari posisi netralnya ke batas atas kemudian kembali ke posisi

netral ( kesetimbangan) dan bergerak lagi ke batas bawah kemudian kembali ke

posisi kesetimbangan, menunjukan gerakan satu siklus. Waktu untuk melakukan

7
gerak satu siklus ini disebut periode, sedangkan jumlah siklus yang dihasilkan

dalam satu interval waktu tertentu disebut frekuensi.

Dalam analisis getaran mesin, frekuensi lebih bermanfaat karena

berhubungan dengan rpm (putaran ) suatu mesin. Karateristik getaran suatu mesin

dapat dilihat pada gambar 2.2.

2.1.2. Frekuensi Getaran (Vibration Frequency)

Frekuensi adalah jumlah siklus pada setiap satuan waktu. Besarnya dapat

dinyatakan dalam siklus per detik ( cycles per second ) atau siklus per menit (cycles

per minute ).

frekuensi = 1/periode

Frekuensi getaran penting diketahui dalam analisa getaran mesin untuk

menunjukan masalah yang terjadi pada mesin tersebut. Dengan mengetahui

frekuensi getaran, akan memungkinkan untuk dapat mengidentifikasi bagian mesin

yang rusak ( fault ) dan sekaligus masalah yang menyebabkannya.

Gaya yang menyebabkan getaran dihasilkan dari gerak berputar elemen

mesin. Gaya tersebut berubah dalam besar dan arahnya sebagaimana elemen putar

berubah posisinya terhadap titik netral. Akibatnya, getaran yang dihasilkan akan

mempunyai frekuensi yang bergantung pada kecepatan putar elemen yang telah

mengalami kerusakan. Oleh karena itu, dengan mengetahui frekuensi getaran, akan

dapat mengidentifikasi bagian dari mesin yang bermasalah.

Penting untuk diketahui juga, bahwa permasalahan yang berbeda pada suatu

mesin menyebabkan frekuensi getaran yang berbeda pula, sehingga permasalahan

dasar yang terjadi akan dapat diidentifikasi. Sebagai contoh, kerusakan bantalan

akan menyebabkan frekuensi tinggi timbul pada komponen getarannya, unbalance

8
dari elemen rotasi akan menghasilkan frekuensi getaran sama dengan kecepatan

putar (1X RPM) elemen tersebut. Contoh lain, kelonggaran mekanis (mechanical

loosenes) akan menghasilkan frekuensi getaran sama dengan dua kali kecepatan

putar (2X RPM). Kerusakan gear juga akan menghasilkan frekuensi getaran yang

tinggi, biasanya pada frekuensi sama dengan jumlah gigi dikali RPM-nya.

2.2. Penguraian Sinyal Getaran

Sinyal adalah gambaran (deskripsi) tentang bagaimana suatu parameter

mempengaruhi parameter lain. Misalnya voltase yang berubah setiap waktu dalam

sirkuit elektronik. Sedangkan sistem merupakan suatu proses yang mengolah sinyal

masukan menjadi sinyal keluaran (Smith, Steven W., 1999).

Sinyal yang diperoleh melalui sensor pada pengukuran suatu getaran mesin

adalah suatu respon gabungan dari suatu mesin terhadap bermacam-macam gaya

eksitasi, dari dalam maupaun dari luar mesin tersebut. Kunci ke arah analisa yang

efektif adalah penguraian sinyal kompleks ini menjadi komponen-komponennya.

Masing-masing komponen kemudian dikorelasikan dengan sumbernya. Ada dua

pandangan dalam persoalan analisa getaran yaitu domain waktu, yang memandang

getaran sebagai simpangan terhadap waktu. Dan domain frekuensi, yang

memandang getaran berupa amplitudo sebagai fungsi frekuensi. Domain waktu

memberikan gambaran fenomena getaran secara fisik sedangkan domain frekuensi

merupakan cara yang cocok untuk mengidentifikasikan komponen-komponenya.

2.2.1. Domain Waktu

Perubahan simpangan suatu getaran terhadap waktu dapat diamati secara

terinci dengan grafik domain waktu. Gambar 2.3.a. merupakan gambaran dalam

9
domain waktu, yang menunjukan simpangan rotor yang tidak balance terhadap

waktu. Amplitudo sinyal sebanding sengan massa tak balance dan siklus berulang

seiring dengan putaran. Sinyal ini sangat sederhana dan mudah dianalisa. Dalam

praktek, sinyal yang didapat akan sangat rumit.

Bila getaran lebih dari satu komponen, maka analisa dalam domain waktu

menjadi lebih sulit. Keadaan ini ditunjukan dalam gambar 2.3.c. yang mewakili

getaran dengan dua buah getaran sinus sebagai komponenya.

Gambar 2.3. Gelombang dari dua buah gelombang sinus (Hawlet Packard

Application Note 243-1)

Dengan melihat sinyal dalam domain waktu tersebut sulit diturunkan

masing-masing komponenya. Domain waktu memberikan gambaran yang alamiah

dari fenomena getaran, yang sangat berguna untuk menganalisa sinyal impuls yang

dihasilkan oleh bantalan atau roda gigi yang rusak, atau sinyal dari bagian mesin

yang kendor. Domain waktu berguna untuk menunjukkan fase antara satu sinyal

dengan lainya.

10
 Walaupun analisa sinyal dalam domain waktu untuk berbagai sinyal getaran

dalam praktek sulit untuk dilakukan namun terdapat beberapa gejala getaran yang

bermanfaat diamati dalam domain waktu. Yaitu analisa sinyal impuls yang berasal

dari cacat pada gigi ataupun bantalan. Dan analisa sinyal getaran yang berasal dari

bagian struktur yang longgar, misalnya tutup bantalan.

2.2.2. Domain Frekuensi

Dalam praktek tidak ada sinyal getaran yang keberadaanya langsung dalam

domain frekuensi. Sinyal getaran selalu terjadi dalam domain waktu tetapi untuk

keperluan analisa sinyal getaran yang dalam domain waktu ini dapat dikonversikan

kedalam domain frekuensi. Ilustrasi tentang konsep data dalam domain waktu dan

dalam domain frekuensi diperlihatkan dalam gambar 2.4.

Gambar 2.4. Sinyal dalam domain waktu dan fekuensi (Hawlet Packard

Application Note 243-1)

Gambar 2.4.a menunjukan gambar isometri dari sinyal. Tiga sumbunya

adalah: pertama adalah sumbu amplitudo, kedua sumbu waktu dan ketiga adalah

sumbu frekuensi. Dengan adanya sumbu frekuensi, komponen getaran dapat

digambarkan secara terpisah. Ketika pandangan mata dibuat searah dengan sumbu

11
frekuensi, maka akan terlihat kurva sinyal dalam domain waktu (gambar 2.4.b). Bila

mata diarahkan sesuai dengan sumbu waktu maka akan terlihat amplitudo

komponen getarannya (gambar 2.4.c) sebagai garis vertikal, pada frekuensi masing-

masing. Pernyataan sinyal dalam domain frekuensi disebut spektrum sinyal.

Domain frekuensi berpedoman pada prinsip bahwa semua sinyal (bukan sinyal

ideal) dapat dibangkitkan dengan penjumlahan gelombang sinus. Prinsip ini

dirumuskan oleh J.B. Fourier satu abad yang lalu. Sebaliknya sembarang sinyal

dapat diuraikan atas komponen-komponennya yang berupa gelombang sinus,

penting untuk dikemukakan bahwa spektrum frekuensi sepenuhnya mewakili sinyal

getaran. Tidak ada informasi yang hilang karena konversi dari domain waktu ke

domain frekuensi, bila beda fase antar komponen juga disertakan.

2.3. Filter Untuk Sinyal Getaran

Digital filter digunakan untuk 2 tujuan umum. Yaitu pemisahan sinyal-

sinyal yang telah menyatu (have been combined). Dan perbaikan/pemugaran sinyal

yang telah terdistorsi / menyimpang dengan berbagai cara (Smith, Steven W.,

1999). Pemisahan sinyal digunakan apabila sinyal mengalami gangguan dan telah

tercampur dengan interference, noise, atau sinyal lain.

Dalam pengolahan sinyal digital, filter input dan output sinyal dilakukan

pada domain waktu (time domain), hal ini karena pada umumnya sinyal terjadi

dalam interval waktu tertentu.

Ada tiga jenis filter yang digunakan dalam pemrosesan sinyal digital, yaitu

Low pass filter, High pass filter dan Band pass filter.

Low pass akan memproses sinyal-sinyal yang berada di bawah nilai batas

filter, sedang nilai di atas batas akan dihilangkan. High pass akan memproses

12
sinyal-sinyal yang berada diatas nilai batas filter, sedang nilai di bawah batas akan

dihilangkan. Band pass adalah gabungan dari kedua filter diatas, yaitu hanya

memproses sinyal-sinyal yang berada pada daerah kisaran antara nilai batas bawah

dan batas atas, di luar nilai itu akan dihilangkan. Dalam prakteknya, filter ini dapat

dimanfaatkan untuk mencari frekuensi tertentu yang kita inginkan.

Selain itu, filter juga digunakan untuk menghilangkan noise yang berasal

dari peralatan elektronik, yang menimbulkan frekuensi rendah. Salah satunya

adalah filter Moving-Average yang menggunakan fungsi konvolusi untuk

menghilangkan noise pada amplitudo tertentu.

2.4. Operasional Amplifier (Op Amp)

Operasional amplifier adalah suatu rangkaian terintegrasi yang berfungsi

untuk memperkuat sinyal yang merupakan selisih dari kedua masukannya, dalam

suatu rangkaian operasional amplifier terdapat beberapa tingkat dan konfigurasi

penguat diferensial (Richard Blocher. 2003).

Pada gambar 2.5. operasional amplifier mempunyai lima terminal dasar:

dua untuk mensuplai daya (Vcc), dua untuk isyarat masukan (Input) dan satu untuk

keluaran (Output).

Gambar 2.5. Penguat operasional amplifier

13
2.5. Opersional Amplifier Pembalik (Inverting Amplifier)

Operasional amplifier pembalik (Inverting) adalah salah satu dari jenis

operasional amplifier yang paling sering digunakan. Operasional amplifier

pembalik (Inverting) merupakan sebuah penguat pembalik yang menggunakan

umpan balik negatif untuk membalik dan menguatkan sinyal, pada Gambar 2.6.

resistor Rf melewatkan sebagian tegangan keluaran (Vout) kembali ke tegangan

masukan (Vin) (Blocher, Richard., 2003).

Gambar 2.6. Rangkaian operasional amplifier pembalik (Inverting)

Operasional amplifier pembalik (Inverting) merupakan sebuah penguat

yang tegangan keluaran (Vout) dan penguatannya ditentukan oleh Rf dan Ri,

penguat ini dapat menguatkan sinyal AC atau DC.

𝑅𝑓
𝑉𝑜 = −𝐸𝑖. 𝑅𝑖 ......................................................... (2-1)

Dengan memasukan definisi bahwa gain untaian tertutup dari penguat

tersebut sebagai ACL, kita tulis kembali persamaan (2-1) sebagai

𝑉𝑜 𝑅𝑓
𝐴𝑐𝑙 = = − 𝑅𝑖 .................................................... (2-2)
𝐸𝑖

14
 Tanda minus pada persamaan (2-2) memperlihatkan bahwa tegangan

keluaran (Vo) dari penguat jenis ini beda fase 180o . Untuk grafik Ei terhadap Vo

dapat dilihat pada gambar 2.7 dibawah ini.

Gambar 2.7. Sinyal tegangan input (Vin) dan tegangan output (Vout)

2.6. Sensor Getaran Piezoelektrik

Gambar 2.8. Piezoelektrik (www.meas-spec.com)

Sensor getar (Vibrations Sensor) piezoelektrik pada gambar 2.8. diatas

merupakan sensor yang berfungsi untuk mendeteksi sinyal perambatan getaran

dalam arah gelombang horisontal maupun vertikal dan mengkonversi sinyal getaran

yang terdeteksi menjadi besaran listrik analog.

Untuk dapat bekerja dengan benar dalam mendeteksi getaran gempa bumi,

piezoelektrik, lihat pada gambar 2.9. PZ1 memerlukan tegangan panjar yang

dibentuk menggunakan potensiometer R14. Dengan pengaturan ini, sinyal AC yag

15
terdeteksi PZ1 akan disalurkan ke R11 di bagian signal amplifier melalui kapasitor

C6, sedangkan pemasangan kapasitor C7 digunakan untuk mengurangi intensitas

sinyal getaran yang mungkin mengganggu kualitas pendeteksian (Andang

Novianto, Muhammad., 2012).

Gambar 2.9. Skematik Bagian Vibrations Sensor

2.7. Kopling

Kopling yang digunakan untuk menghubungkan dua poros yaitu poros

motor dan poros generator adalah kopling fleksibel, bentuk dari kopling bisa dilihat

dari gambar 2.10. dibawah ini.

Gambar 2.10. Kopling fleksibel

16
2.8. Perkembangan Reliability Maintenance

Dalam kamus Besar Bahasa Indonesia mendefinisikan pemeliharaan

sebagai penjagaan harta kekayaan, terutama alat produksi agar tahan lama dan tetap

dalam kondisi yang baik. Jadi tujuan pemeliharaan menjaga mesin dan peralatan

terhadap kerusakan dan kegagalan mesin dalam berproduksi. Secara umum kata

pemeliharaan tidak akan terlepas dengan pekerjaan memperbaiki, membongkar,

atau memeriksa mesin secara saksama dan menyeluruh (Maintenance, Repair, and

Overhaul - MRO). Sistem pemeliharaan sendiri mencakup pengertian memperbaiki

perangkat mekanik dan atau kelistrikan yang menjadi rusak (Ngadiyono,Yatin.,

2010).

Seiring dengan perkembangan pengetahuan telah memberikan dampak

terhadap perkembangan reliability maintenance, sebagai berikut :

A. Reactive Maintenance

merupakan kegiatan maintenance tidak terencana, tindakan maintenance

dilakukan apabila telah terjadi kerusakan yang fatal.

B. Preventive Maintenance

merupakan kegiatan maintenance pencegahan untuk menghindari

kerusakan yang fatal, sudah dilakukan perencanaan maintenance berdasarkan

Time Base Maintenance (TBM).

C. Predictive Maintenance

merupakan kegiatan maintenance pencegahan untuk menghindari

kerusakan yang fatal serta mempertahankan umur peralatan yang optimal,

perencanaan maintenance berdasarkan hasil monitoring kondisi peralatan,

diagnosa dan analisis kerusakan.

17
 Biaya penerapan predictive maintenance jauh lebih kecil dibandingkan

biaya reactive maintenance maupun preventive maintenance.

Agar penerapan predictive maintenance berhasil, diperlukan tenaga ahli

yang memiliki kemampuan dan keterampilan yang mencukupi. Walaupun saat

ini telah tersedia software predictive maintenance dengan kemampuan sistem

pakar (expert system), peran operator dengan kemampuan analisis tidaklah

dapat digantikan. Mengingat teknologi akan terus berubah, maka agar dapat

menjadi operator yang handal dalam predictive maintenance, harus memiliki :

 ilmu dasar yang cukup

 menguasai teknologi predictive maintenance

 memiliki soft skill yang baik.

D. Proactive Maintenance

merupakan kegiatan maintenance yang langsung memberikan tindakan-

tindakan corective atas kelainan atau penyimpangan kinerja peralatan dengan

tidak mengganggu operasi atau production loss karena breakdowntime oleh

kegiatan proactive maintenance. Untuk mendukung keberhasilan proactive

maintenance biasanya didukung dengan ketersediaan peralatan substitusi yang

telah memenuhi standar operasi, kemampuan skill operator yang memadai dan

teknologi peralatan yang digunakan dalam kegiatan proactive maintenance.

2.9. Pendekatan Fourier untuk Gelombang Periodik

Fenomena perodik sangat sering dijumpai dalam fisika dan penerapan

rekayasa, dan suatu masalah praktis yang penting adalah merepresentasikan

fenomena periodik yang muncul dengan menggunakan fungsi periodik sederhana

seperti sinus dan kosinus (Aji, Kunto., 2007).

18
 Deret Fourier adalah deret yang bersuku sinus dan kosinus dan muncul

ketika kita ingin merepresentasikan fungsi periodik umum.

Pada Gambar 2.11. fungsi f (x) dikatakan periodik jika fungsi itu

didefinisikan untuk semua x nyata dan jika ada bilangan positif p sedemikian rupa

sehingga dapat di tulis pada persamaan (2-3),

f (x + p) = f (x) .............................................. (2-3)

Bila p ini dinamakan periode fungsi f (x). Grafik fungsi demikian diperoleh melalui

pengulangan periodik grafiknya untuk sembarang selang yang panjangnya p.

Gambar 2.11. Grafik suatu fungsi periodik (Aji, Kunto., 2007)

2.9.1. Tranformasi Fourier

Fourier memperlihatkan bahwa suatu fungsi periodik dapat dinyatakan oleh

deret sinusoidal takhingga yang frekuensi-frekuensinya berkaitan secara harmonik.

Untuk fungsi dengan periode T, suatu deret Fourier kontinu dapat dituliskan pada

persamaan (2-4) sebagai berikut:

𝑓(𝑡) = 𝑎0 + 𝑎1 𝑐𝑜𝑠(𝜔0 𝑡) + 𝑏1 𝑠𝑖𝑛(𝜔0 𝑡) + 𝑎2 𝑐𝑜𝑠(2𝜔0 𝑡) + 𝑏2 𝑠𝑖𝑛(2𝜔0 𝑡) + ⋯(2-4)

Atau secara lebih singkat di tulis dalampersamaan (2-5) sebagai berikut,

∞
𝑓(𝑥) = 𝑎0 + ∑𝑘=1[𝑎𝑘 𝑐𝑜𝑠(𝑘𝜔0 𝑡) + 𝑏𝑘 𝑐𝑜𝑠(𝑘𝜔0 𝑡)] ………………(2-5)

(diambil Dari Capra,1988.)

19
dengan 2ɷ0 = 2π / T disebut frekuensi utama (fundamental frequency) dan

kelipatan-kelipatan konstantanya 2ɷ0, 3ɷ0, dan seterusnya disebut sebagai

frekuensi harmonik.

Integral Fourier merupakan alat utama yang tersedia untuk keperluan ini.

Integral ini dapat diturunkan dari bentuk eksponen dari deret Fourier seperti pada

persamaan (2-6) dan (2-7) berikut:

𝑓(𝑡) = ∑𝑥𝑘=−𝑥 𝑐𝑘 𝑒 𝑖𝑘𝜔0 𝑡 ................................ (2-6)

Dengan,

1 𝑇/2
𝑐𝑘 = 𝑇
∫−𝑇/2 𝑓(𝑡)𝑒 −𝑗𝑘𝜔0 𝑡 𝑑𝑡 ........................ (2-7)

Untuk

𝜔0 = 2𝜋/𝑇 dan k=0,1,2,….

Transisi dari fungsi periodik ke takperiodik dapat diefektifkan dengan

membiarkan periode mendekati takhingga. Dengan perkataan lain, begitu menjadi

takhingga, fungsi-nya tidak pernah berulang sehingga menjadi tidak periodik. Jika

ini dibiarkan terjadi, maka dapat diperagakan bahwa deret fourier mengecil seperti

pada persamaan (2-8) menjadi,

1 ∞
𝑓(𝑡) = 2𝜋
∫−∞ 𝐹(𝑖 𝜔0 ) 𝑒 𝑖𝜔0 𝑡 𝑑𝜔0 ................ (2-8)

Fungsi tersebut di kenal dengan integral fourier. Sedangkan persamaan (2-9)

∞
𝑓(𝑖𝜔0 ) = ∫−∞ 𝑓(𝑡) 𝑒 −𝑖𝜔0 𝑡 𝑑𝑡 ....................... (2-9)

20
dikenal dengan tranformasi fourier dari f(t). Dan pasangan kedua persaman tersebut

mengijinkan kita mentransfomasi bolak-balik antara domain waktu dan domain

frekuensi untuk suatu sinyal tanpa periodik. Deret fourier dapat diterapkan pada

bentuk gelombang periodik sedang transformasi fourier dapat diterapkan pada

bentuk gelombang acak.

2.9.2. Tranformasi Fourier Diskrit

Dalam rekayasa, fungsi seringkali dinyatakan dalam himpunan berhingga

nilai diskrit. Data juga seringkali dikumpulkan atau dikonversikan ke bentuk yang

demikian. Seperti dilukiskan pada gambar 2.12. berikut, selang dari 0 s/d T dapat

dibagi menjadi N selang bagian berjarak sama dengan lebar Δt = T/N , notasi n di

pakai untuk menunjukkan waktu-waktu diskrit saat sampel-sampel di ambil. Jadi

𝑓𝑛 menunjukkan fungsi kontinyu 𝑓(𝑡) di ambil pada 𝑡𝑛 .

Gambar 2.12. Titik-titik sampel dari deret fourier diskrit (Aji, Kunto., 2007)

Terlihat bahwa titik-titik data dirinci pada n = 0, 1, 2, ..., N-1. Sehingga

transformasi diskrit dapat dituliskan seperti persamaan (1-10)

𝐹𝑘 = ∑𝑁−1
𝑛=0 𝑓𝑛 𝑒
−𝑖𝑘𝜔0 𝑛
................................... (2-10)

21
Untuk k = 0 sampai N-1

Dan transformasi Fourier invers seperti pada persamaan (2-11) berikut:

1
𝑓𝑛 = ∑𝑁−1
𝑘=0 𝐹𝑘 𝑒
𝑖𝑘𝜔0 𝑛
.................................. (2-11)
𝑁

Untuk N = 0 sampai N-1 dengan 𝜔0 = 2π / N

Dua persamaan tersebut masing-masing menyatakan analog diskrit dari

dua persamaan sebelumnya. Dengan demikian kedua persaman tersebut dapat

digunakan untuk menghitung transformasi fourier untuk data diskrit.

Dari sini kita bisa menggunakan transformasi fourier diskrit untuk

menghitung data diskrit. Discreete Fourier Transform (DFT) sangat penting sekali

dalam bidang analisa spektrum (frekuensi) karena mampu mengubah sinyal diskrit

dalam domain waktu menjadi frekuensi diskrit dalam representasi domain

frekuensi. DFT memiliki sifat, diantaranya yaitu periodisitas dan kesimetrisan.

Periodisitas, karena DFT , X(𝑟 𝑗𝛺 ) , adalah periodik. Satu periode berkisar f = 0

sampai 𝑓𝑠 , dimana 𝑓𝑠 adalah frekuensi sampling selebihnya DFT hanya di

definisikan pada daerah antara 0 sampai 𝑓𝑠 .

2.10. Misalignment

Misalignment poros terjadi ketika garis sumbu poros dari dua buah mesin

putar yang berpasangan tidak dalam posisi segaris antara satu dengan yang lainnya

(Sir Anderson, Nasrullah, Rivanol Chadry., 2010). Misalignment dapat terjadi

dalam tiga kondisi yaitu:

2.11. Misalignment Pararel

Misalignment paralel adalah jika garis sumbu antara dua buah poros

mengalami pergeseran (tidak sejajar).Gambar 2.13. di bawah ini menunjukan

22
kopling dengan keadaan misalignment parallel (offset).

Gambar 2.13. Misalignment Paralel (Sir Anderson, Nasrullah, Rivanol

Chadry., 2010)

2.10.2 Angular (sudut).

Misalignment angular adalah jika ke dua garis sumbu poros membentuk

sudut seperti terlihat pada gambar 2.14.

Gambar 2.14. Misalignment Angular (Sir Anderson, Nasrullah, Rivanol

Chadry., 2010)

2.10.3. Kombinasi Paralel dan Angular.

Misalignment poros adalah deviasi posisi relatif poros dari sumbu colinear

rotasi diukur pada titiktitik dari transmisi daya. Colinear itu berarti dalam garis

23
yang sama atau sumbu yang sama. Jika dua buah poros itu colinear maka poros

tersebut dalam keadaan alignment sempurna.

Saat ini belum ada standart toleransi baku yang di publikasikan lembaga

standart seperti ISO atau ANSI. Dari semua tabel terlihat bahwa RPM semakin

tinggi dan diameter kopling semakin besar maka toleransi harus semakin kecil,

sesungguhnya harga yang harus di capai adalah nol atau zero.

Tabel 2.1. Toleransi Alignment (vibralign.com, 2014)

RPM ANGULAR OFFSET

Excellen Acceptable Excellen Acceptable

( mm/inch ) ( mm/inch ) ( mm ) ( mm )

3600 0.3/1” 0.5/1” 1.0 2.0

1800 0.5/1” 0.7/1” 2.0 4.0

1200 0.7/1” 1.0/1” 3.0 6.0

900 1.0/1” 1.5/1” 4.0 8.0

Proses pengukuran vibrasi yang akan dilakukan mengacu pada table 2.1.

toleransi alignment, sesuai dengan data motor yang akan di uji dengan kecepatan

1400 rpm maka ada pada range 1800 rpm pada tabel.

2.11. Mikrokontroler ARM ATM32F4 Discovery

Gambar 2.15. di bawah ini merupakan ARM singkatan dari (Advanced RISC

Machine), sebuah prosesor 32-bit dengan tipe RISC.

24
 Gambar 2.15. ARM STM32F4 Discovery board (www.st.com, 2015)

2.11.1. Board Features

STM32F4 Discovery merupakan mikrokontroler 32 bit yang menggunakan

arsitektur ARM STM32F4 Discovery memiliki spesifikasi pada tabel 2.2. sebagai

berikut:

Tabel 2.2. Fitur ARM STM32F4 Discovery

FITUR SPESIFIKASI
Ukuran 97mm x 67mm
Kecepatan 168MHz (maksimal)
Flash 1024 Kb
RAM internal 192 Kb
Timer lainya 2xWDG, RTC, 24-bit down counter
12 bit ADC 16
12 ADC 2
I/O 82
SPI 3
SAI -
PS 2
PC 3
USART+UART 4+2
USB OTG 2
CAN 2.0B 2

25
SDIO 1
Ethernet MAC10/100 Ya
Tegangan kerja 1.8 – 3.6 V
Arus terendah 2.5 uA
Arus kerja 238 uA
Fitur lainya  Boosted execution dari pengendalian algoritma
 Mudah di gunakan
 Efisiensi kode lebih baik
 Elemination of scaling and saturation
 Dukungan mudah untuk meta-language tool
 On-board ST-LINK/V2 dapat digunakan sendiri
 ST-LINK/V2 (dengan konektor SWD untuk
pemrograman dan debugging)
 Board power supplay: bisa menggunakan USB
atau dari 5V volt eksternal
 External aplication power supplay: 3V and 5V
 LIS302DL or LIS3DSH, ST MEMS motion
sensor, 3- axis digital output accelerometer
 MP45DT02, ST MEMS audio sensor,
omnidirectional digital microphone
 CS43L22, audio DAC with integrated class D
speaker driver
 8 LED:
- LD1 (merah/hijau) untuk USB
- LD2 (merah) untuk 3.3 V power on
- 4 user led yaitu LD3 (orange) LD4 (hijau)
LD5 (merah) LD6 (biru)
- 2 USB OTG LEDs LD7(hijau) VBus dan
LD8 (merah) arus lebih
 2 pushbuttons (user and reset)
 USB OTG dengan micro-AB connector

26
2.11.2. Hardware Block Diagram

Pada gambar 2.16. dibawah ini merupakan blok diagram dari

mikrokontroler ARM STM32F4 Discovery.

Gambar 2.16. Blok Diagram STM32F4 Discovery (www.st.com, 2015)

2.12. Nilai Ketepatan Prediksi

Ketepatan peramalan adalah suatu hal yang penting untuk peramalan, yaitu

bagaimana mengukur kesesuaian antara data yang sudah ada dengan data

peramalan. Menurut pakaja (2012), ada beberapa perhitungan yang biasa digunakan

untuk menghitung kesalahan peramalan total. Tiga dari perhitungan yang paling

terkenal adalah deviasi mutlak rerata (Mean Absolute Deviation-MAD), kesalahan

kuadrat rerata (Mean Square Error-MSE), dan kesalahan persen mutlak rerata

(Mean Absolute Percentage Error-MAPE).

2.12.1. Mean Absolute Deviation (MAD)

Menurut Pakaja (2012), metode untuk mengevaluasi metode peramalan

menggunakan jumlah dari kesalahan-kesalahan yang absolut. Mean Absolute

27
Deviation (MAD) mengukur ketepatan ramalan dengan merata-rata kesalahan

dugaan (nilai absolut masing-masing kesalahan). MAD berguna ketika mengukur

kesalahan ramalan dalam unit yang sama sebagai deret asli. MAD merupakan

ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model. Rumus

untuk menghitung MAD adalah sebagai berikut.

∑𝑛
𝑡=1 |𝑌𝑡−𝐹𝑡|
𝑀𝐴𝐷 = ................................................................ (2-12)
𝑛

Dimana:

Xt = data aktual pada periode t

Ft = nilai peramalan pada periode t

n = jumlah data

2.12.2. Mean Square Error (MSE)

Menurut Pakaja (2012), Mean Squared Error (MSE) adalah metode lain

untuk mengevaluasi metode peramalan. Masing-masing kesalahan atau sisa

dikuadratkan. Pendekatan ini mengatur kesalahan peramalan yang besar karena

kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan kesalahan-

kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi

kadang menghasilkan perbedaan yang besar. MSE merupakan cara kedua untuk

mengukur kesalahan peramalan keseluruhan. MSE merupakan rata-rata selisih

kuadrat antara nilai yang diramalkan dan yang diamati. Kekurangan penggunaan

MSE adalah bahwa MSE cenderung menonjolkan deviasi yang besar karena adanya

pengkuadratan. Rumus untuk menghitung MSE adalah sebagai berikut.

(𝑋𝑡−𝐹𝑡)2
𝑀𝑆𝐸 = ∑𝑛𝑡=1 ............................................................ (2-13)
𝑛

28
2.12.3. Mean Absolute Percentage Error (MAPE)

Menurut Pakaja (2012), Mean Absolute Percentage Error (MAPE) dihitung

dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai

observasi yang nyata untuk periode itu. Kemudian, merata-rata kesalahan

persentase absolut tersebut. MAPE merupakan pengukuran kesalahan yang

menghitung ukuran presentase penyimpangan antara data aktual dengan data

peramalan. Nilai MAPE dapat dihitung dengan persamaan berikut.

100% |𝑋𝑡−𝐹𝑡|
𝑀𝐴𝑃𝐸 = ( ) ∑𝑛𝑡=1 ................................................ (2-13)
𝑛 𝑋𝑡

Dimana :

Xt = Data actual pada periode t

Ft = Nilai peramalan pada periode t

N = Jumlah data

Kemampuan peramalan sangat baik jika memiliki nilai MAPE kurang dari

10% dan mempunyai kemampuan peramalan yang baik jika nilai MAPE kurang

dari 20%.

29